在材料科学中，物质通常根据其元素组成或晶体结构等决定性因素进行分类。这种分类对于材料发现的进步至关重要，因为它使研究人员能够识别有前景的材料类别并探索具有类似功能和特性的新材料。

最近，由东京工业大学研究员 Nobuya Sato 和助理教授 Akira Takahashi 领导的一项先进智能系统研究开发了一种新的机器学习驱动的聚类技术。该技术通过考虑相似材料的基本特征和目标属性来对相似材料进行分组。

机器学习的进步大大简化了分类过程，并开辟了基于化学成分和晶体结构的基本特征预测具有有趣特性的材料的有效方法。聚类分析是一种常用的机器学习技术，它使用这些基本特征不仅可以对材料进行分类并总结它们之间的相似性，还可以提供有关属于同一组的材料之间关系的信息。

虽然这代表在发现具有独特功能的新材料方面取得了重大进展，但传统的聚类技术往往未能考虑与这些基本特征相关的目标材料特性，例如带隙和介电常数。

但是为什么包含目标属性对于材料聚类分析如此重要?

Takahashi 解释道：“如果我们尝试根据带隙宽度对半导体进行分类，并研究各个类别的化学特性，那么仅通过目标属性进行分析将无法提供完整的图像。根据带隙进行聚类可能会将材料聚集到一个簇中，其中一些带隙由电负性决定，而另一些带隙由与共价性相关的特征决定。

“相反，仅使用基本特征可能无法对具有相似属性的材料进行聚类。因此，我们需要一种考虑基本特征和目标属性之间关系的方法。”

为了确保同时包含基本特征和目标属性，研究人员通过随机森林(RF)回归将后者信息输入到聚类模型中。随机森林是一种监督学习算法，可以学习输入和输出之间的关系以改进自身。研究人员训练 RF 回归模型来预测给定的目标属性。

接下来，将基本特征转换为 z 向量(基于 RF 模型所采用的路径的信息)。最后，对转换后的 z 向量进行聚类分析。

这使得研究人员能够根据氧化物的基本特征(如成分和晶体结构)以及目标属性(如形成能、带隙和电子介电常数)将 1,000 多种氧化物归类为材料组。虽然这项研究只关注单一目标属性的情况，但研究人员建议，这项新技术可以扩展到根据多个目标属性对材料进行分组。

Takahashi总结道：“我们的方法为聚类提供了独特的视角，强调理解和学习目标属性与基本特征之间的关系，从而提供无法预见的有前途的材料组和理想材料功能的关键因素，并加速发现具有迷人特性的新材料。”